Red neuronal convolucional de grafos SPD de Stiefel para aprendizaje EEG de extremo a extremo

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Procesamiento de Señales

Sus antecedentes:

• La decodificación electroencefalográfica (EEG) utiliza la estructura de covarianza de segundo orden en la variedad de matrices simétricas definidas positivas (SPD).
• Las redes profundas euclidianas convencionales distorsionan la geometría SPD, mientras que los métodos de Riemann tienen limitaciones en adaptabilidad y costo computacional.

Objetivo del estudio:

• Proponer una arquitectura de aprendizaje profundo totalmente geométricamente consistente para la decodificación de EEG que preserve la estructura de la variedad de extremo a extremo.
• Mejorar la adaptabilidad de la tarea y la eficiencia computacional en comparación con los métodos existentes.

Principales métodos:

• Una red neuronal convolucional (CNN) de separación profunda genera características con covarianzas SPD regularizadas.
• Una proyección ortonormal aprendible en la variedad de Stiefel optimiza la reducción de dimensionalidad utilizando SGD de Riemann con retracción QR.
• Se emplean agregación de grafos SPD en el espacio tangente y mapeo log-Euclidiano para la clasificación.

Principales resultados:

• El modelo propuesto logra una alta precisión (83,2%/81,5%/79,7%) y mejores puntuaciones macro-F1 en tres conjuntos de datos públicos de EEG.
• Demuestra una fuerte separabilidad (macro-AUROC ≈ 0,90) y probabilidades bien calibradas (ECE ≤ 0,04).
• Supera a las CNN euclidianas y a las líneas de base de Riemann, manteniendo al mismo tiempo un pragmatismo computacional.

Conclusiones:

• La consistencia geométrica completa es crucial para una decodificación eficaz de EEG, evitando atajos euclidianos y manteniendo las propiedades SPD.
• La arquitectura propuesta ofrece un enfoque computacionalmente pragmático y de alta precisión para el análisis de señales de EEG.
• Este método avanza el campo de las interfaces cerebro-computadora y la decodificación neuronal.